2.3 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan artificial neural networks adalah sistem pemrosesan
informasi yang memiliki karakteristik mirip jaringan syaraf biologi. JST dibentuk
sebagai generalisasi model matematika dari jaringan
syaraf biologi,dengan
asumsi bahwa:
• Pemrosesan informasi terjadi pada
banyak elemen sederhana neuron. •
Sinyal dikirimkan diantara neuron- neuron
melalui penghubung-
penghubung •
Penghubung antara beuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal •
Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi
yang dikenakan pada jumlahan input yang ditrerima. Besarnya output ini
selanjutnya dibandingkan dengan suatu batas ambang
Jaringan syaraf tiruan JST ditentukan oleh 3 hal:
• Pola hubungan antar neuron disebut
arsitektur jaringan •
Metode untuk menentukan bobot
penghubung disebut
metode traininglearningalgoritma
• Fungsi Aktivasi
2.4 Metode
Learning Vector
Quantization
Learning Vector
Quantization merupakan metode klasifikasi pola yang
terawasi supervised. Metode ini melakukan pembelajaran pada lapisan kompetitif yang
terawasi. Suatu lapisan kompetitif akan secara
otomatis belajar
untuk mengklarifikasikan vektor-vektor input.
Arsitektur LVQ terdiri dari lapisan input input layer, lapisan kompetitif
terjadi kompetisi pada input untuk masuk ke dalam suatu kelas berdasarkan kedekatan
jaraknya dan lapisan output output layer.
Gambar 2.8
Arsitektur JST Learning
Vector Quantization
III METODE PENELITIAN
3.1 Kerangka Berfikir
Penelitian ini
bertujuan untuk
membangun suatu
perangkat lunak
menggunakan jaringan syaraf tiruan yang dapat
digunakan untuk
membantu mengidentifikasi penurunan kondisi fungsi
organ ginjal
seseorang. Untuk
mewujudkannya, dibuatlah kerangka berfikir sebagai berikut:
Gambar 3.1 Kerangka Berfikir
3.2 Perancangan Sistem
Pada aplikasi yang dibuat peneliti terdapat 3 proses utama yang harus dilalui.
Pertama pra
pengolahan data
untuk menghasilkan vector angka ciri dari pola
organ ginjal yang digunakan sebagai parameter acuan. Kedua proses pelatihan
jaringan syaraf tiruan learning vector
quantization . Ketiga proses pengujian
jaringan syaraf tiruan learning vector
M U L A I M E M A S U K K A N D A T A
M A T R IK C IT R A H A S IL P R A - P E N G O L A H A N
T R A IN IN G J A R IN G A N L V Q
S E L E S A I T E N T U K A N J U M L A H
IT E R A S I, L A J U P E M B E L A J A R A N , G O A L
P R O S E S
IT E R A S I S IM P A N J A R IN G A N
Y A T ID A K
MULAI MASUKKAN
JARINGAN YANG TERBENTUK
PENGUJIAN JARINGAN LVQ
SELESAI MASUKKAN INPUTAN
DATA MATRIK CITRA UJI
DATA IRIS YANG DIKENALI
quantization. Masing-masing proses akan dirancang menggunakan
flowchart agar
lebih mudah dipahami. 1.
Pra Pengolahan Pra pengolahan merupakan tahap awal
untuk mendapatkan vector dari pola organ ginjal pada iris mata yang telah
dikumpulkan oleh penulis. Deteksi tepi yang digunakan pada pra pengolahan
yaitu deteksi tepi Canny.
Gambar 3.2 Diagram Alir Program
Utama
2. Pelatihan
Pelatihan learning vector quantization merupakan tahap
dimana melatih jaringan
menggunakan data vector citra
iris mata
dari hasil
pra pengolahan.
Gambar 3.3 Diagram Alir Program
Utama
3. Pengujian
Pengujian learning vecor quantization merupakan
tahap dimana menguji
jaringan yang terbentuk menggunakan data uji vector citra iris diluar dari data
pelatihan.
Gambar 4.3 Diagram Alir Pengujian
Jaringan LVQ
IV HASIL
PENELITIAN DAN
PEMBAHASAN
Pada pembahasan penelitian ini
menggunakan citra yang akan sebagai
analisa berjumlah 12 citra mata kanan dan 12 citra mata kiri yang terdapat gangguan
ginjal dan 15 citra iris mata kanan dan 15 citra iris mata kiri yang tidak mengalami
gangguan ginjal. Citra-citra tersebut akan dilatih dan diuji menggunakan jaringan
syaraf tiruan learning vector quantization untuk mengetahui tingkat keberhasilan.
Persamaan
untuk tingkat
keberhasilan adalah:
4.1 Hasil Pelatihan Jaringan Syaraf
Tiruan LVQ
Proses pelatihan
jaringan yang
dilakukan dengan
menentukan iterasi
epoch , laju pembelajaran α, goal proses yang diinginkan. Pada penelitian ini peneliti
menggunakan data latih sebanyak 22 data , jumlah iterasi sebanyak 500, dengan laju
pembelajaran 0.01, 0.05, 0.1 dikarenakan jika laju pembelajaran terlalu cepat atau
terlalu lambat hasil pengenalan kurang bagus, goal yang dipakai peneliti yaitu 0.01 .
Tabel 4.1 Hasil Pelatihan Jaringan Syaraf Tiruan LVQ
Akurasi Keberhasilan = x 100 = 100
Berdasarkan Tabel 4.1 menunjukkan bahwa dari 22 citra latih. Jaringan syaraf
tiruan berhasil mengenali citra dengan sempurna 100.
4.2 Hasil Pengujian Jaringan Syaraf